第1章　緒　論 1
1.1　海洋智能感知概述 1
1.1.1　基本概念 1
1.1.2　發(fā)展歷程 2
1.1.3　海洋智能感知中計算機視覺技術的作用 5
1.2　計算機視覺技術概述 6
1.2.1　發(fā)展歷程 6
1.2.2　主要研究方向 7
1.3　計算機視覺技術在海洋領域的應用 10
1.3.1　數(shù)據(jù)來源及類型 11
1.3.2　計算機視覺技術的海洋應用場景 12
1.3.3　計算機視覺技術海洋領域應用的挑戰(zhàn) 16
參考文獻 19
第2章　基于衛(wèi)星遙感影像的海洋中尺度現(xiàn)象
識別和時空分析 20
2.1　中尺度現(xiàn)象概況 20
2.2　中尺度現(xiàn)象的識別與檢測方法 21
2.2.1　中尺度渦的識別與檢測方法 21
2.2.2　海洋鋒的識別與檢測方法 26
2.3　海洋中尺度現(xiàn)象識別案例 36
2.3.1　中尺度渦的識別案例 36
2.3.2　中尺度鋒的識別案例 48
2.4　海洋中尺度現(xiàn)象時空分析 59
2.4.1　中尺度渦軌跡時空分析 59
2.4.2　中尺度海洋鋒時空分析 68
參考文獻 75
第3章　基于岸基視頻分析的海浪要素檢測技術 77
3.1　海浪監(jiān)測技術概況 77
3.1.1　人工目測法 77
3.1.2　浮標測波法 78
3.1.3　雷達測波法 79
3.1.4　衛(wèi)星測波法 80
3.2　基于圖像 / 視頻的海浪監(jiān)測技術 80
3.2.1　基于立體攝影的測量法 80
3.2.2　基于圖像 / 視頻特征的海浪要素檢測法 82
3.2.3　基于深度學習特征提取的海浪等級檢測模型 82
3.3　視頻時空分析的海浪要素檢測技術案例 85
3.3.1　案例 1——時空特征多級融合的海浪有效浪高檢測模型 85
3.3.2　案例 2——時空特征協(xié)同的海浪周期檢測模型 94
參考文獻 99
第4章　面向海洋探測的水下光學圖像增強技術 101
4.1　水下圖像增強技術概況 101
4.1.1　水下圖像增強的必要性 101
4.1.2　水下圖像成像原理 102
4.1.3　簡化的水下圖像成像模型 104
4.2　傳統(tǒng)水下圖像的增強方法 106
4.2.1　直方圖均衡化增強算法 107
4.2.2　基于融合的水下圖像增強方法 110
4.2.3　Retinex 增強算法 112
4.2.4　基于暗通道先驗的水下圖像復原方法 113
4.2.5　傳統(tǒng)方法效果對比 116
4.3　基于深度學習的水下圖像增強方法 117
4.3.1　基于 CNN 的水下圖像增強方法 118
4.3.2　基于 GAN 的水下圖像增強方法 119
4.3.3　深度學習方法效果對比 120
4.4　水下圖像增強技術及其應用案例 121
4.4.1　案例 1——基于雙生成器 GAN 的水下圖像增強 121
4.4.2　案例 2——模糊水下圖像的增強混合魚類檢測方法 129
參考文獻 136
第5章　海洋大數(shù)據(jù)的可視分析技術 140
5.1　可視分析技術概況 140
5.1.1　可視分析基本概念 141
5.1.2　可視分析技術在海洋領域中的應用 144
5.2　多維海洋數(shù)據(jù)可視分析技術 145
5.2.1　投影 146
5.2.2　散點圖 147
5.2.3　平行坐標 149
5.2.4　聚類 151
5.3　海洋時空數(shù)據(jù)可視分析 153
5.3.1　靜態(tài)可視化 154
5.3.2　動態(tài)可視化 155
5.3.3　時空數(shù)據(jù)可視化的實現(xiàn)技術 155
5.3.4　海洋結構可視分析 157
5.4　海洋大數(shù)據(jù)可視分析案例 158
5.4.1　案例 1——基于多視圖的多維數(shù)據(jù)關聯(lián)關系分析方法 159
5.4.2　案例 2——基于多視圖的海洋異常模式發(fā)現(xiàn)可視分析方法 166
參考文獻 171